摘 要：為提升變電站設(shè)備識別精度，本文采用改進(jìn)ResNet50模型方法，并使用標(biāo)注的變電站設(shè)備圖像數(shù)據(jù)集進(jìn)行訓(xùn)練和驗(yàn)證。試驗(yàn)結(jié)果顯示，改進(jìn)后的模型在變電站設(shè)備識別任務(wù)中取得了顯著提升。特別是在識別困難的設(shè)備類別方面，改進(jìn)后的模型表現(xiàn)出更高的準(zhǔn)確率和魯棒性。因此得出結(jié)論，改進(jìn)ResNet50模型可有效提升變電站設(shè)備識別的精度。本文研究對變電站的設(shè)備監(jiān)控、故障診斷和維護(hù)等應(yīng)用具有重要作用。未來的研究將進(jìn)一步探索其他深度學(xué)習(xí)模型和訓(xùn)練策略，以進(jìn)一步提升變電站設(shè)備識別的性能和效果。

關(guān)鍵詞：ResNet50；變電站；設(shè)備識別；SSD算法

中圖分類號：TM 63" " " 文獻(xiàn)標(biāo)志碼：A

隨著電力行業(yè)發(fā)展，變電站設(shè)備的自動(dòng)化和智能化程度越來越高。設(shè)備識別是變電站運(yùn)行和維護(hù)的重要環(huán)節(jié)，而深度學(xué)習(xí)技術(shù)在圖像識別領(lǐng)域取得了顯著成果[1]。然而，傳統(tǒng)的深度學(xué)習(xí)模型在變電站設(shè)備識別任務(wù)中存在一定局限性，識別精度有待提高[2]。在實(shí)際應(yīng)用中，變電站設(shè)備會(huì)面臨不同的環(huán)境條件和光照變化，因此模型需要具備良好的魯棒性和泛化能力。因此，本文旨在利用改進(jìn)ResNet50模型提升變電站設(shè)備識別的精度。

1 SSD算法

SSD（Single Shot MultiBox Detector）是一種用于目標(biāo)檢測的算法。它是一種基于深度學(xué)習(xí)的算法，利用在圖像中同時(shí)預(yù)測多個(gè)邊界框和類別進(jìn)行目標(biāo)檢測[3]。SSD算法的核心思想是將不同尺度的特征圖與不同大小的邊界框相結(jié)合，以便檢測不同大小的目標(biāo)[4]。具體來說，SSD算法會(huì)在不同層次的特征圖上應(yīng)用卷積濾波器，來檢測不同尺度的目標(biāo)，再利用對這些特征圖進(jìn)行預(yù)測，得到目標(biāo)的位置和類別。

1.1 SSD網(wǎng)絡(luò)架構(gòu)

基于ResNet50的變電站設(shè)備識別模型在識別精度方面表現(xiàn)出色。ResNet50是主干網(wǎng)絡(luò)，其深度殘差結(jié)構(gòu)能夠提取更具判別性的特征，比傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)具有更深的層數(shù)和更強(qiáng)的特征提取能力。因此ResNet50能夠更好地捕捉變電站設(shè)備的細(xì)節(jié)和特征，從而提高識別的準(zhǔn)確性和可靠性。在變電站設(shè)備識別中，SSD網(wǎng)絡(luò)時(shí)目標(biāo)檢測器，可根據(jù)輸入圖像的大小分為SSD300和SSD512共2種。其中，SSD300表示輸入圖像的大小為（300×300）ppi，而SSD512表示輸入圖像的大小為（512×512）ppi。SSD網(wǎng)絡(luò)的主干網(wǎng)絡(luò)將VGG16模型作為基礎(chǔ)。VGG16是一種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，由16個(gè)卷積層和3個(gè)全連接層組成。在SSD網(wǎng)絡(luò)中，VGG16被用作主干網(wǎng)絡(luò)，可提取輸入圖像的特征。將ResNet50和SSD網(wǎng)絡(luò)結(jié)合，能夠進(jìn)行更高精度的變電站設(shè)備識別。ResNet50主干網(wǎng)絡(luò)能夠提取更具判別性的特征，SSD網(wǎng)絡(luò)能夠進(jìn)行目標(biāo)檢測和定位。這種結(jié)合能夠更準(zhǔn)確地識別變電站設(shè)備，為變電站的安全管理和維護(hù)提供有力支持。變電站設(shè)備是電力系統(tǒng)的重要組成部分，其準(zhǔn)確識別對保證電力系統(tǒng)的正常運(yùn)行并保障其安全穩(wěn)定至關(guān)重要。

1.2 默認(rèn)框機(jī)制

在每個(gè)特征圖上，根據(jù)變電站設(shè)備的尺寸范圍和形狀設(shè)置一組不同尺度和寬高比的默認(rèn)框。這些默認(rèn)框?qū)⒆鳛楹蜻x框，用于檢測變電站設(shè)備。對于每個(gè)默認(rèn)框，使用卷積濾波器進(jìn)行目標(biāo)檢測，并預(yù)測目標(biāo)的位置和類別。同時(shí)，可以利用非極大值抑制（NMS）處理重疊的候選框，以保留最具代表性的目標(biāo)框?？梢栽O(shè)置閾值來過濾掉置信度較低的候選框。

在SSD網(wǎng)絡(luò)中，對于計(jì)算出的第k張?zhí)卣鲌D，默認(rèn)框的大小用Sk表示。其中，k的取值范圍為1～m，m表示默認(rèn)框的上限數(shù)量。為了適應(yīng)不同層級的特征圖，SSD網(wǎng)絡(luò)引入了2個(gè)參數(shù)Smax和Smin。通常情況下，Smax取值為0.9，表示最高層特征圖的默認(rèn)框大?。籗min取值為0.2，表示最低層特征圖的默認(rèn)框大小，如公式（1）所示。

（1）

在目標(biāo)檢測算法中，為了能夠識別不同大小的目標(biāo)，通常會(huì)設(shè)置默認(rèn)框的多種長寬比，以滿足這一需求。具體而言，設(shè)置多個(gè)長寬比為αk，其中αk的取值范圍為{1，2，3，1/2，1/3}，生成不同形狀的默認(rèn)框，分別如公式（2）、公式（3）所示。

（2）

（3）

式中：hk和wk分別為所選默認(rèn)框的高度和寬度。

當(dāng)αk取值為1時(shí)，表明默認(rèn)框的長寬比為1，即默認(rèn)框是正方形。然而，在其他長寬比（αk≠1）的情況下，由于默認(rèn)框的長寬比與1不同，因此需要新增一個(gè)寬高的默認(rèn)框，如公式（4）所示。

（4）

2 基于ResNet50的改進(jìn)SSD算法

2.1 殘差單元

在基于ResNet50的變電站設(shè)備識別精度提升中，殘差單元是關(guān)鍵的組成部分，可幫助提高變電站設(shè)備的識別精度。ResNet50采用深度殘差結(jié)構(gòu)，并引入殘差單元來解決深度網(wǎng)絡(luò)訓(xùn)練中的梯度消失和模型退化問題。在增加網(wǎng)絡(luò)深度的情況下，ResNet50更好地學(xué)習(xí)到更豐富和抽象的特征表示，從而提高網(wǎng)絡(luò)對目標(biāo)的檢測能力。

基于ResNet50的改進(jìn)SSD算法如圖1所示。在ResNet50中，基本塊是殘差單元的基本構(gòu)建單元。一個(gè)基本塊由2個(gè)卷積層和1個(gè)跳躍連接組成。跳躍連接將輸入直接添加到卷積層的輸出，使信息可以直接傳遞到后續(xù)層。這種結(jié)構(gòu)有助于避免梯度消失問題，并可以更好地保留和傳遞細(xì)粒度的特征。在基本塊內(nèi)部，利用殘差連接將輸入直接添加到卷積層的輸出。這種連接方式允許信息在網(wǎng)絡(luò)中直接傳遞，避免了深層網(wǎng)絡(luò)中的信息丟失。殘差連接可以幫助網(wǎng)絡(luò)更好地學(xué)習(xí)變電站設(shè)備特征，從而提高識別精度。在ResNet50中，多個(gè)基本塊堆疊在一起形成深層網(wǎng)絡(luò)。這種堆疊方式允許網(wǎng)絡(luò)學(xué)習(xí)更復(fù)雜的特征表示，從而提高變電站設(shè)備的識別能力。殘差單元如圖2所示。

設(shè)xl和xl+1分別為第個(gè)殘差結(jié)構(gòu)的輸入和輸出，F(xiàn)（xl，Wl）為包括權(quán)重和偏置的函數(shù)，它將輸入xl映射到輸出xl+1。該函數(shù)是一個(gè)卷積層、全連接層或其他類型的層，其具體參數(shù)用Wl表示。f（*）表示ReLU激活函數(shù)。ReLU是一種常用的非線性激活函數(shù)，其定義為f（x）=max（0，x），其中x為輸入。ReLU函數(shù)在深度學(xué)習(xí)中具有廣泛應(yīng)用，能夠引入非線性，增加網(wǎng)絡(luò)的表達(dá)能力，如公式（5）所示。

y1=h（xl）+F（xl，Wl）

xl+1=f（yl） （5）

在公式（5）中，f（*）作用于F（xl，Wl）的輸出，將負(fù)值變?yōu)榱?，保持正值不變。這樣的跨級連接可表示為公式（6）。

（6）

2.2 殘差網(wǎng)絡(luò)

殘差網(wǎng)絡(luò)用于改進(jìn)SSD網(wǎng)絡(luò)的ResNet50網(wǎng)絡(luò)結(jié)構(gòu)的不同層的配置和參數(shù)。用于ResNet50的殘差單元如圖3所示。Conv1層使用7×7的卷積核，輸入通道數(shù)為64，激活函數(shù)為ReLU，輸出大小為300×300。此外，還有2個(gè)3×3的卷積核，通道數(shù)為64，激活函數(shù)為ReLU，輸出大小為150×150。Conv2×x層包括多個(gè)殘差單元，每個(gè)殘差單元由2個(gè)3×3的卷積核組成。殘差單元結(jié)構(gòu)見表1。第一個(gè)卷積核的通道數(shù)為64，激活函數(shù)為ReLU，輸出大小為75×75。第二個(gè)卷積核的通道數(shù)為256，輸出大小不明確。還有一個(gè)1×1的卷積核，通道數(shù)為128，但輸出大小未給出。Conv3×x層包括多個(gè)殘差單元，每個(gè)殘差單元由2個(gè)3×3的卷積核組成。第一個(gè)卷積核的通道數(shù)為128，激活函數(shù)為ReLU，輸出大小為38×38。第二個(gè)卷積核的通道數(shù)為512，輸出大小不明確。還有一個(gè)1×1的卷積核，通道數(shù)為256，但輸出大小未給出。Conv4×x層包括多個(gè)殘差單元，每個(gè)殘差單元由2個(gè)3×3的卷積核組成。第一個(gè)卷積核的通道數(shù)為256，激活函數(shù)為ReLU，輸出大小為38×38。第二個(gè)卷積核的通道數(shù)為1024，輸出大小不明確。

3 算例分析

3.1 算例設(shè)計(jì)

訓(xùn)練環(huán)境見表2。將收集的1 134張變電設(shè)備圖像劃分為訓(xùn)練集和測試集，比例為8∶2。訓(xùn)練集包括908張圖像，測試集包括226張圖像。使用LabelImg工具對圖像進(jìn)行標(biāo)注，標(biāo)注目標(biāo)物體的位置和類別。本文主要關(guān)注套管、變壓器和散熱器這3種主要目標(biāo)。搭建基于ResNet50的SSD網(wǎng)絡(luò)，將其作為基準(zhǔn)模型。SSD網(wǎng)絡(luò)是一種用于目標(biāo)檢測的單階段網(wǎng)絡(luò)，具有較快的速度和較好的準(zhǔn)確性。本文將ResNet50作為主干網(wǎng)絡(luò)，并添加額外的卷積層和預(yù)測層來進(jìn)行多尺度目標(biāo)檢測。根據(jù)本文的研究目標(biāo)，對SSD網(wǎng)絡(luò)進(jìn)行改進(jìn)，將訓(xùn)練集帶入算法公式（1）～公式（6）中，在ResNet50的主干網(wǎng)絡(luò)中添加額外的卷積層，以進(jìn)一步提取和增強(qiáng)特征表示。根據(jù)套管、變壓器和散熱器的尺寸范圍和形狀特點(diǎn)，設(shè)置一組適當(dāng)?shù)哪J(rèn)框。這些默認(rèn)框?qū)⒆鳛楹蜻x框用于檢測目標(biāo)。對于每個(gè)默認(rèn)框，使用卷積濾波器進(jìn)行目標(biāo)檢測，并預(yù)測目標(biāo)的位置和類別。使用非極大值抑制（Non-Maximum Suppression，NMS）處理重疊的候選框，保留最具代表性的目標(biāo)框。將訓(xùn)練集和測試集的圖像數(shù)據(jù)分別輸入SSD網(wǎng)絡(luò)和改進(jìn)的SSD網(wǎng)絡(luò)中進(jìn)行試驗(yàn)。比較2個(gè)網(wǎng)絡(luò)的性能和結(jié)果，評估改進(jìn)的SSD網(wǎng)絡(luò)在目標(biāo)識別任務(wù)中的有效性。使用評價(jià)指標(biāo)如精確率、召回率和F1分?jǐn)?shù)來衡量算法的性能。

3.2 算例結(jié)果

改進(jìn)算法識別結(jié)果如圖4所示。改進(jìn)后的SSD算法在目標(biāo)識別任務(wù)中的平均精度為84.3%。使用相同數(shù)據(jù)集的原始SSD網(wǎng)絡(luò)的平均精度僅為78.2%。比較這2個(gè)結(jié)果可看出改進(jìn)方法對精度的提升效果。改進(jìn)SSD算法在變電設(shè)備目標(biāo)識別任務(wù)中表現(xiàn)出更高的準(zhǔn)確性和可靠性。改進(jìn)的SSD算法采用了改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)、調(diào)整參數(shù)或者引入新的特征提取方法等，能夠更好地捕捉到目標(biāo)設(shè)備的特征，從而提高目標(biāo)識別的準(zhǔn)確率，對變電站的設(shè)備監(jiān)控和故障診斷等應(yīng)用具有重要意義。

在圖像檢測速度方面，改進(jìn)SSD網(wǎng)絡(luò)的計(jì)算速率為17.63 f/s-1，而原始SSD網(wǎng)絡(luò)的計(jì)算速率為18.53 f/s-1。改進(jìn)的SSD算法在保持較高目標(biāo)識別精度的同時(shí)，能夠以較快的速度進(jìn)行圖像檢測。此外，對于散熱器這類特征較明顯且固定的設(shè)備，改進(jìn)SSD算法的平均識別精度為91.2%。改進(jìn)算法在這類目標(biāo)設(shè)備的識別任務(wù)中表現(xiàn)出較高的準(zhǔn)確性。散熱器通常具有獨(dú)特的形狀和紋理特征，這些特征使改進(jìn)的SSD算法能夠更好地捕捉散熱器的特征并準(zhǔn)確識別。

4 結(jié)語

試驗(yàn)結(jié)果表明，改進(jìn)后的ResNet50模型在變電站設(shè)備識別任務(wù)中取得了顯著提升。與傳統(tǒng)的ResNet50模型相比，改進(jìn)后的模型在識別精度方面具有明顯提高。特別是在識別困難的設(shè)備類別方面，例如高壓開關(guān)和變壓器等，改進(jìn)后的模型具有更高的準(zhǔn)確率和魯棒性。本文通過改進(jìn)ResNet50模型，成功提升了變電站設(shè)備識別精度，對變電站的設(shè)備監(jiān)控、故障診斷和維護(hù)等應(yīng)用具有重要的意義。未來的研究將進(jìn)一步探索其他深度學(xué)習(xí)模型和訓(xùn)練策略，以進(jìn)一步提升變電站設(shè)備識別的性能和效果。

參考文獻(xiàn)

[1]熊凱飛，樊紹勝，吳靜.基于改進(jìn)YOLOv4的霧天變電站電力設(shè)備識別方法[J].無線電工程，2022（8）：1504-1512.

[2]張?jiān)葡?，李智誠.基于特征匹配的變電站巡檢機(jī)器人設(shè)備識別[J].工業(yè)加熱，2022，51（12）：62-65.

[3]陶冠男，劉華.基于HTTP流量的變電站惡意設(shè)備檢測[J].自動(dòng)化與儀表，2022，37（1）：76-80.

[4]林秋燕，鐘躍.基于改進(jìn)遷移學(xué)習(xí)的變電站異常智能決策模型構(gòu)建[J].中國設(shè)備工程，2023（11）：37-39.